基于BiLSTM和改进注意力机制的高铁车载设备故障诊断

针对列控车载设备故障诊断多依赖于人工经验判断,智能化、自动化程度较低,影响列车运输安全和效率等问题,提出基于双向长短期记忆(BiLSTM)和改进注意力机制的车载设备故障诊断模型。首先根据应用程序事件日志文件的特点,通过BERT生成词向量;然后以词频为权重将词向量求和得到句向量;再将句向量输入BiLSTM提取故障文本特征后作为改进注意力机制层的输入;最后将高维故障文本特征输入Softmax层完成故障文本分类,实现故障诊断。实验结果表明:本模型能够有效实现文本向量化表示,并结合设备故障时刻前后的列车运行状态对故障原因做出准确判断;与其他模型对比,本模型获得了最优的准确率、召回率和平均数F 1值,验证了该模型可对列控车载设备的日常维护与故障诊断提供决策支持。